우리는 네트워크에서 정점의 잠재 표현을 학습하기 위한 새로운 접근 방식인 DeepWalk를 제시합니다. 이러한 잠재 표현은 연속 벡터 공간에서 사회적 관계를 인코딩하여 통계 모델이 쉽게 활용할 수 있습니다. DeepWalk는 단어 시퀀스에서 그래프로의 언어 모델링 및 비지도 특징 학습(또는 딥러닝)의 최근 발전을 일반화합니다. DeepWalk는 무작위 행보(truncated random walks)에서 얻은 로컬 정보를 사용하여 행보를 문장과 동등한 것으로 취급하여 잠재 표현을 학습합니다.우리는 BlogCatalog, Flickr, YouTube와 같은 소셜 네트워크에서 여러个多标签网络分类任务에 대해 DeepWalk의 잠재 표현을 시연합니다. 우리의 결과는 전역적인 네트워크 뷰를 허용받은 어려운 기준선 방법들을 능가하며, 특히 정보가 부족한 경우에 더욱 우수함을 보여줍니다. 라벨링된 데이터가 희소할 때 DeepWalk의 표현은 경쟁 방법들보다 최대 10% 더 높은 $F_1$ 점수를 제공할 수 있습니다. 일부 실험에서는 DeepWalk의 표현이 60% 적은 훈련 데이터를 사용하면서도 모든 기준선 방법들을 능가하는 것으로 나타났습니다. DeepWalk는 확장성也有.它是在线学习算法，可以构建有用的增量结果，并且可以轻松并行化。这些特性使其适用于广泛的现实世界应用，如网络分类和异常检测。修正后的翻译：DeepWalk는 확장성도 갖추고 있습니다. 이는 온라인 학습 알고리즘으로 유용한 증분 결과를 구축하고, 쉽게 병렬 처리할 수 있다는 특성을 가지고 있습니다. 이러한 성질들은 네트워크 분류 및 이상 탐지와 같은 다양한 실제 응용 분야에 적합하게 만듭니다.